本研究提出了一种新的反事实解释评估方法，开发了30种场景并收集了206位受访者的评分。经过微调的大型语言模型在预测人类评分方面的准确率达到85%，提升了评估的可比性和可扩展性。

本文讨论了使用G-Eval和LLM评估方法评估文本质量的细节，发现G-Eval中的自动思维链不总是使评分更加一致，而强制LLM仅输出数字评分也不理想。研究揭示出要求LLM解释其自身评分会持续改善与人类评分之间的相关性。